空间特征重标定网络在遥感图像场景分类中的应用

"基于空间特征的遥感图像场景分类方法是一种提高遥感图像场景分类准确性的技术，通过利用多尺度全向高斯导数滤波器提取空间特征，并结合可分离卷积、附加动量法以及全连接层的瓶颈结构，实现特征重标定和权重筛选，最终通过卷积神经网络进行分类。这种方法在UCM_Landuse和机载SAR图像数据上的分类正确率分别达到94.76%和95.38%，对比MNCC、MS-DCNN、PCA-CNN等算法，其分类精度和泛化能力有显著提升。" 遥感图像场景分类是地球观测领域的重要任务，旨在自动识别遥感图像中的不同地物类别。传统的分类方法通常依赖于手工设计的特征，而随着深度学习的发展，尤其是卷积神经网络（CNN）的应用，使得从图像中自动学习特征成为可能。本研究提出的方法创新性地融合了空间特征的提取和重标定，以增强模型的表示能力和分类性能。 首先，多尺度全向高斯导数滤波器用于提取遥感图像的空间特征。这种滤波器可以捕获图像中的不同尺度和方向信息，为后续的特征学习提供丰富的输入。通过多尺度处理，模型能更好地适应不同大小的地物目标。 接下来，可分离卷积被引入以降低计算复杂度并保持特征表达能力。可分离卷积将标准卷积分解为深度卷积和点卷积两部分，前者处理每个通道内的空间关系，后者处理不同通道间的关系，这有助于减少参数数量，加速模型训练。 附加动量法则用于动态调整特征的权重，通过在网络中引入动量项，可以使模型在训练过程中不断优化特征的权重分配，从而提高分类效果。全连接层形成的瓶颈结构进一步学习特征通道间的相关性，筛选出对分类最有贡献的特征，实现特征重标定。 最后，利用卷积神经网络的多层结构和学习能力，结合上述提取和重标定的特征，对遥感图像进行分类。实验结果验证了这种方法的有效性，其在UCM_Landuse和机载SAR图像数据集上的表现优于其他算法，表明该方法具有较高的分类准确性和泛化能力。 这项工作为遥感图像场景分类提供了一种新的深度学习框架，它利用空间特征的多层次信息，优化特征表示，提升了模型的分类性能。这种方法不仅适用于当前的数据集，也有可能推广到更广泛的遥感图像分析任务中，为地球观测和环境监测等领域带来更精确的自动化分析工具。